数字高程模型（DEM）融合的系统性综述与元分析：预处理、方法与应用

作者与发表信息
本文由Chukwuma J. Okolie（南非开普敦大学地理信息学系；尼日利亚拉各斯大学测绘与地理信息学系）与Julian L. Smit（南非开普敦大学）合作完成，发表于2022年4月的《ISPRS Journal of Photogrammetry and Remote Sensing》第188卷。文章采用开放获取形式，遵循CC BY 4.0许可协议。

研究背景与目标
数字高程模型（Digital Elevation Model, DEM）是遥感与摄影测量的核心成果，广泛应用于地形分析、水文建模、城市规划等领域。随着多源DEM数据的激增（如Tandem-X、ICESat、SRTM等），如何整合不同传感器、分辨率与精度的DEM以生成更完整、准确的高程数据集成为关键挑战。尽管二维遥感影像融合已有大量研究，但针对2.5D/3D DEM融合的系统性综述尚属空白。本文旨在填补这一空白，通过系统性综述与元分析，梳理DEM融合的预处理流程、方法分类、应用场景及未来方向，为遥感与空间信息科学领域的研究者提供全面参考。

主要内容与框架
1. DEM融合的必要性与定义
DEM融合通过整合多源DEM的互补特性（如SAR克服LiDAR的遮挡问题，或结合升降轨SAR数据减少几何畸变），生成质量更高的高程数据。其核心定义为：通过特定算法将两个或多个DEM协同整合，生成比单一数据源更详细的DEM。

1. 通用工作流程
   文章提出五阶段融合流程：

   • DEM选择：基于应用需求、数据互补性（如空间覆盖与精度）及可用性（如成本、存储限制）。
     
   • 预处理：包括空洞填充（如基于Kriging插值或生成对抗网络）、非地面点过滤（如去除植被与建筑偏移）、垂直精度校正（如误差分布建模）、空间滤波（如低通滤波去噪）、重采样（统一分辨率）与配准（表面匹配消除水平/垂直偏移）。
     
   • 融合方法：主要分为加权平均（Weighted Averaging, WA）、变分模型（如TV-L1、Huber）、超分辨率重建（Super-Resolution, SR）、卡尔曼滤波（Kalman Filter）等。
     
   • 后处理：通过空间滤波（如高斯滤波）或地形增强（如趋势面分析）优化融合结果。
     
   • 质量评估：包括定性（视觉检查、地形参数分析）与定量（统计指标如RMSE、应用性能测试）方法。
     

2. 融合方法详述

   • 加权平均（WA）：最常用方法，通过权重映射（如基于高度误差图或人工神经网络预测）量化各DEM的贡献。优势是计算高效，但可能引入边缘效应。
     
   • 变分模型：如TV-L1模型通过最小化能量函数保留地形边缘，适用于城市等高复杂度区域，但计算成本较高。
     
   • 超分辨率方法：结合低分辨率DEM的全局信息与高分辨率DEM的局部细节，实现无缝融合（如Yue et al., 2015）。
     
   • 多尺度分解：如非线性能量分解（N-AMD）有效分离噪声与地形趋势信号（Tian et al., 2018）。
     

3. 应用与挑战
   DEM融合在冰川监测（Wang et al., 2018）、火山地形重建（Deng et al., 2019）等领域表现优异。但存在未解决问题：

   • 权重映射优化：现有方法依赖参考数据，而全球范围高精度参考数据稀缺。
     
   • 地形依赖性：陡坡与城市区域的融合精度仍需提升。
     
   • 自动化与标准化：缺乏统一的预处理与评估框架。
     

研究价值与亮点
1. 学术价值：首次系统性梳理DEM融合方法，提出通用工作流程与分类体系，为后续研究提供方法论基础。
2. 应用价值：指导多源DEM在灾害监测、气候变化研究等领域的优化使用。例如，通过融合升降轨SAR数据，可减少山地地区的几何畸变（Jain et al., 2014）。
3. 创新点：
- 提出融合方法的性能对比框架，指出变分模型在复杂地形的优势。
- 强调机器学习（如ANN预测权重）在融合中的潜力（Bagheri et al., 2018b）。
- 揭示当前研究的地理不平衡性（全球北方主导，非洲与南美研究匮乏）。

未来方向
作者建议：
- 开发不依赖参考数据的自适应权重估计方法。
- 探索深度学习在DEM融合中的端到端应用。
- 加强全球南方的DEM数据利用能力建设。

结论
本文为DEM融合领域的里程碑式综述，不仅整合了分散的研究成果，还通过元分析揭示了方法优劣与适用场景，对遥感数据融合的理论发展与工程实践具有双重意义。